![]()
（开开心心每一天~ ---虫瘾师）
直接入正题---Python selenium自动控制浏览器对网页的数据进行抓取，其中包含按钮点击、跳转页面、搜索框的输入、页面的价值数据存储、mongodb自动id标识等等等。
1、首先介绍一下 Python selenium ---自动化测试工具，用来控制浏览器来对网页的操作，在爬虫中与BeautifulSoup结合那就是天衣无缝，除去国外的一些变态的验证网页，对于图片验证码我有自己写的破解图片验证码的源代码，成功率在85%。
详情请咨询QQ群--607021567（这不算广告，群里有好多Python的资源分享，还有大数据的一些知识【hadoop】）
2、beautifulsoup就不需要详细的介绍了，直接上网址-https://www.crummy.com/software/BeautifulSoup/bs4/doc/（BeautifulSoup的官方文档）
3、关于mongodb的自动id的生成。mongodb中所有的存储数据都是有固定的id的，但是mongodb的id对于人类来讲是复杂的，对于机器来讲是小菜一碟的，所以在存入数据的同时，我习惯用新id来对每一条数据的负责！
在Python中使用mongodb的话需要引进模块 from pymongo import MongoClient,ASCENDING, DESCENDING ，该模块就是你的责任！
接下来开始讲程序，直接上实例（一步一步来）：
引入模块：
1 from selenium import webdriver
2 from bs4 import BeautifulSoup
3 import requests
4 from pymongo import MongoClient,ASCENDING, DESCENDING
5 import time
6 import re
其中的每一个模块都会说已经解释过了，其中的re、requests都是之前就有提过的，他们都是核心缺一不可！
首先，我举一个小例子，淘宝的自动模拟搜索功能（源码）：
先说一下selenium 的定位方法
- find_element_by_id
- find_element_by_name
- find_element_by_xpath
- find_element_by_link_text
- find_element_by_partial_link_text
- find_element_by_tag_name
- find_element_by_class_name
- find_element_by_css_selector
源码：
1 from selenium import webdriver
2 from bs4 import BeautifulSoup
3 import requests
4 from pymongo import MongoClient,ASCENDING, DESCENDING
5 import time
6 import re
7
8 def TaoBao():
9 try:
10 Taobaourl = 'https://www.taobao.com/'
11 driver = webdriver.Chrome()
12 driver.get(Taobaourl)
13 time.sleep(5)#通常这里需要停顿，不然你的程序很有可能被检测到是Spider
14 text='Strong Man'#输入的内容
15 driver.find_element_by_xpath('//input[@class="search-combobox-input"]').send_keys(text).click()
16 driver.find_element_by_xpath('//button[@class="btn-search tb-bg"]').click()
17 driver.quit()
18
19 except Exception,e:
20 print e
21
22 if __name__ == '__main__':
23 TaoBao()
效果的实现，你们可以直接复制后直接运行！我只用了xpath的这个方法，因为它最实在！橙色字体（如果我没有色盲的话），就是网页中定位的元素，可以找到的！
接下来就是与BeautifulSoup的结合了，但是我们看到的只是打开了网页，并没有源码，那么就需要 “变量名.page_source”这个方法，他会实现你的梦想，你懂得?
1 ht = driver.page_source
2 #print ht 你可以Print出啦看看
3 soup = BeautifulSoup(ht,'html.parser')
下面就是BeautifulSoup的一些语法操作了，对于数据的结构还有采集，在上一篇里面有详细的抓取操作！！！
算了！说一个最简单的定位抓取：
1 soup = BeautifulSoup(ht,'html.parser')
2 a = soup.find('table',id="ctl00_ContentMain_SearchResultsGrid_grid")
3 if a: #必须加判断，不然访问的网页或许没有这一元素，程序就会都停止！
class的标签必须是class_,一定要记住！
哈哈哈！mongodb了昂，细节细节，首先需要用到模块----from pymongo import MongoClient,ASCENDING, DESCENDING
因为在python，mongodb的语法仍然实用，所以需要定义一个库，并且是全局性的，还有链接你计算机的一个全局变量。
1 if __name__ == '__main__':
2
3 global db#全局变量
4 global table#全局数据库
5 table = 'mouser_product'
6 mconn=MongoClient("mongodb://localhost")#地址
7 db=mconn.test
8 db.authenticate('test','test')#用户名和密码
9 Taobao()
定义这些后，需要我们的新id来对数据的跟踪加定义：
1 db.sn.find_and_modify({"_id": table}, update={ "$inc": {'currentIdValue': 1}},upsert=True)
2 dic = db.ids.find({"_id":table}).limit(1)
3 return dic[0].get("currentIdValue")
这个方法是通用的，所以只要记住其中的mongodb的语法就可以了！因为这里是有返回值的，所以这个是个方法体，这里不需要太过于纠结是怎么实现的，理解就好，中心还是在存数据的过程中
1 count = db[table].find({'数据':数据}).count() #是检索数据库中的数据
2 if count <= 0: #判断是否有
3 ids= getNewsn() #ids就是我们新定义的id，这里的id是1开始的增长型id
4 db[table].insert({"ids":ids,"数据":数据})
这样我们的数据就直接存入到mongodb的数据库中了，这里解释一下为什么在大数据中这么喜欢mongodb，因为它小巧，速度佳！
最后来一个实例源码：
1 from selenium import webdriver
2 from bs4 import BeautifulSoup
3 import requests
4 from pymongo import MongoClient,ASCENDING, DESCENDING
5 import time
6 import re
7 def parser():
8 try:
9 f = open('sitemap.txt','r')
10 for i in f.readlines():
11 sorturl=i.strip()
12 driver = webdriver.Firefox()
13 driver.get(sorturl)
14 time.sleep(50)
15 ht = driver.page_source
16 #pageurl(ht)
17 soup = BeautifulSoup(ht,'html.parser')
18 a = soup.find('a',class_="first-last")
19 if a:
20 pagenum = int(a.get_text().strip())
21 print pagenum
22 for i in xrange(1,pagenum):
23 element = driver.find_element_by_xpath('//a[@id="ctl00_ContentMain_PagerTop_%s"]' %i)
24 element.click()
25 html = element.page_source
26 pageurl(html)
27 time.sleep(50)
28 driver.quit()
29 except Exception,e:
30 print e
31 def pageurl(ht):
32 try:
33 soup = BeautifulSoup(ht,'html.parser')
34 a = soup.find('table',id="ctl00_ContentMain_SearchResultsGrid_grid")
35 if a:
36 tr = a.find_all('tr',class_="SearchResultsRowOdd")
37 if tr:
38 for i in tr:
39 td = i.find_all('td')
40 if td:
41 url = td[2].find('a')
42 if url:
43 producturl = '网址'+url['href']
44 print producturl
45 count = db[table].find({"url":producturl}).count()
46 if count<=0:
47 sn = getNewsn()
48 db[table].insert({"sn":sn,"url":producturl})
49 print str(sn) + ' inserted successfully'
50 time.sleep(3)
51 else:
52 print 'exists url'
53 tr1 = a.find_all('tr',class_="SearchResultsRowEven")
54 if tr1:
55 for i in tr1:
56 td = i.find_all('td')
57 if td:
58 url = td[2].find('a')
59 if url:
60 producturl = '网址'+url['href']
61 print producturl
62 count = db[table].find({"url":producturl}).count()
63 if count<=0:
64 sn = getNewsn()
65 db[table].insert({"sn":sn,"url":producturl})
66 print str(sn) + ' inserted successfully'
67 time.sleep(3)
68 else:
69 print 'exists url'
70 #time.sleep(5)
71
72 except Exception,e:
73 print e
74 def getNewsn():
75 db.sn.find_and_modify({"_id": table}, update={ "$inc"{'currentIdValue': 1}},upsert=True)
76 dic = db.sn.find({"_id":table}).limit(1)
77 return dic[0].get("currentIdValue")
78
79 if __name__ == '__main__':
80
81 global db
82 global table
83 table = 'mous_product'
84 mconn=MongoClient("mongodb://localhost")
85 db=mconn.test
86 db.authenticate('test','test')
87 parser()
这一串代码是破解一个老外的无聊验证码界面结缘的，我真的对他很无语了！破解方法还是实践中！这是完整的源码，无删改的哦！纯手工！
![]()
Welcome to Python world! I have a contract in this world! How about you?
